METODE ENSEMBLE K-NEAREST NEIGHBOR UNTUK

PREDIKSI HARGA BERAS DI INDONESIA

DEWI SINTA

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2015
 PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*

Dengan ini saya menyatakan bahwa tesis berjudul Metode Ensemble k-

Nearest Neighbor untuk Prediksi Harga Beras di Indonesia adalah benar karya
saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk
apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau
dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah
disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir
tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Januari 2015

Dewi Sinta
NIM G151110061
 RINGKASAN

DEWI SINTA. Metode Ensemble k-Nearest Neighbor untuk Prediksi Harga Beras
di Indonesia. Dibimbing oleh HARI WIJAYANTO dan BAGUS SARTONO.

Analisis deret waktu merupakan hal yang sangat penting dalam setiap
bidang ilmu sains seperti prediksi keuangan, prediksi cuaca, penelitian dan ilmu
medis (Chitra dan Uma 2010). Pada banyak kasus sangat jarang ditemukan data
deret waktu yang memenuhi asumsi. Salah satu penyebabnya adalah adanya
hubungan yang tidak linear antar peubahnya, sehingga sangat diperlukan suatu
metode yang efisien. Banyak metode yang berkembang mengenai prediksi data
deret waktu dengan ukuran data yang besar dan peubah penjelas yang banyak,
seperti metode k-Nearest Neighbor (kNN). Metode kNN dapat digunakan untuk
data yang tidak memenuhi asumsi klasik dan karakteristik data yang tidak linear.
Dalam metode kNN sangat penting untuk memilih nilai k-tetangga
terdekat, karena hal ini dapat mempengaruhi hasil prediksi. Nilai k yang kecil
dapat menghasilkan ragam yang besar pada hasil prediksi, sedangkan nilai k yang
besar dapat mengakibatkan bias model yang besar. Metode alternatif yang
biasanya digunakan untuk mengatasi masalah ini adalah optimasi parameter
dengan menggunakan cross-validation, namun metode ini kurang efisien karena
algoritma training harus diulang kembali untuk k selanjutnya. Teknik ensemble
merupakan suatu metode yang memiliki kemampuan keakuratan prediksi dan
sangat efisien digunakan dalam metode kNN, sehingga tidak perlu dilakukan
pencarian nilai k yang optimal.
Pada prinsipnya teknik ensemble adalah menggabungkan hasil pendugaan
dari banyak model menjadi satu buah pendugaan akhir. Teknik ensemble dapat
diaplikasikan dalam analisis deret waktu untuk menghasilkan keakuratan prediksi.
Sorjamaa et al. (2005) menggunakan mutual information untuk memilih input
prediksi deret waktu dalam kNN. Yu et al. (2009) menggunakan Multiresponse
Sparse Regression (MRSR) sebagai langkah ketiga untuk peringkat masing-
masing k-tetangga terdekat dan terakhir melakukan pendugaan Leave-One-Out
sebagai langkah keempat dalam memilih tetangga terdekat. Sasu (2012)
mengembangkan algoritma kNN untuk prediksi data deret waktu.
Penelitian tersebut menggunakan metode regresi kNN untuk memprediksi
respon atau peubah output, namun dalam penelitian ini akan digunakan
modifikasi prediksi untuk data deret waktu dengan konsep pembobot. Penelitian
ini menerapkan metode kNN tunggal dan ensemble kNN pada data harga beras di
Indonesia agar diperoleh keakuratan prediksi. Penelitian ini bertujuan untuk
mengetahui kinerja metode kNN tunggal dan ensemble kNN, kemudian
memprediksi harga beras di Indonesia menggunakan metode terbaik.
Data yang digunakan dalam penelitian ini adalah data sekunder yang
diperoleh dari Kementerian Pertanian (KEMENTAN) bagian distribusi dan
cadangan pangan. Data dibagi menjadi dua kelompok, data dari Januari 2010
hingga Desember 2011 (t=1 hingga t=24) dijadikan sebagai data training dan
sisanya dari Januari - Desember 2012 (t=25 hingga t=36) sebagai data testing.
Peubah yang digunakan terdiri dari peubah output ( ) yaitu data harga beras per
bulan dari Januari 2010 hingga Desember 2012 sedangkan untuk peubah input
yang digunakan adalah X1 luas panen padi (ha), X2 produktivitas (ku/ha), X3
total produksi padi (ton) dan X4 jumlah penduduk (ribu).
Langkah awal yang dilakukan dalam penelitian ini adalah menghitung
prediksi harga beras dari Januari - Desember 2012 dengan metode kNN tunggal
kemudian melakukan prediksi terhadap kedua metode menggunakan jumlah
tetangga terdekat (k) yang berbeda. Langkah selanjutnya menghitung prediksi
harga beras dengan metode ensemble kNN. Setelah diperoleh hasil prediksi
masing-masing metode selanjutnya dilakukan evaluasi terhadap hasil prediksi
akhir dengan harga beras pada data testing berdasarkan nilai MAPE (Mean
Absolute Percentage Error), MAE (Mean Absolute Error) dan RMSEP (Root
Mean Squared Error of Prediction). Prediksi harga beras di Indonesia
menggunakan metode terbaik berdasarkan nilai MAPE, MAE dan RMSEP
tersebut.
Nilai MAPE, MAE dan RMSEP hasil prediksi harga beras di Indonesia
menunjukkan bahwa metode ensemble kNN memiliki kinerja yang lebih baik
dibandingkan dengan metode kNN tunggal. Nilai-nilai tersebut semakin kecil jika
nilai k yang dicobakan semakin besar, namun jika nilai k yang dicobakan sangat
besar atau mendekati ukuran data training maka ketiga nilai tersebut memberikan
hasil yang besar. Kisaran nilai prediksi harga beras hampir sama dengan harga
beras sebenarnya. Selain itu, prediksi harga beras juga memiliki pola trend yang
hampir sama dengan harga beras sebenarnya.

Kata kunci : Data Deret Waktu, Ensemble, k-Nearest Neighbor, Machine

Learning Algorithm.
 SUMMARY

DEWI SINTA. Ensemble k-Nearest Neighbor Method to Predict Rice Price in

Indonesia. Supervised by HARI WIJAYANTO and BAGUS SARTONO.

Time series analysis is often used in any field of science such as financial
forecasting, weather forecasting, and medical science (Chitra and Uma 2010). In
many of the cases are, it is common that the assumptions are violated. One
possible cause is the presence of non-linear relationship between the variables, so
it need an efficient method. Many methods were developed on the prediction of
time series data with large data sizes and large number of explanatory variables,
such as k-Nearest Neighbor (kNN). Which can be used for data that does not meet
the classical assumptions and non-linear characteristics of the data.
In kNN method is very important to choose the number of k-nearest
neighbors because this can affect the predicted results. Small values of k can
produce a great variety on the prediction results, whereas a large value of k can
lead to a large bias of models. Alternative methods are usually used to overcome
this problem is the optimization of parameters using cross-validation, but this
method is less efficient because the training algorithm must be repeated again for
the next k. Ensemble technique is a method that has ability of accuracy prediction
and efficiently used in kNN method, so it is not necessary to search the optimal
value of k.
In principle, the ensemble technique is to combine the results of the
estimation of many models into one final prediction. Ensemble techniques can be
applied in time series analysis to produce accurate predictions. Sorjamaa et al.
(2005) using mutual information to select the input time series prediction in kNN.
Yu et al. (2009) uses Multiresponse Sparse Regression (MRSR) as the third step
in order to rank each k-nearest neighbor and finally perform estimation Leave-
One-Out as the fourth step in choosing the number of nearest neighbors. Sasu
(2012) developed the kNN algorithm for the prediction of time series data.
The study used kNN regression method to predict the response or output
variable, but in this study will be used modify prediction to time series data with a
weighted concept. This research applies the single ensemble kNN method on rice
price data in Indonesia to obtain a prediction accuracy. This study aims to
investigate the performance of single and ensemble kNN methods, and then
predict the rice price in Indonesia using the best method.
The data used in this study is secondary data obtained from the Ministry of
Agriculture (KEMENTAN) in the distribution and food reserves. The data is price
of final sampling recapitulation in some traders in traditional markets from
January 1998 to December 2012. In this study the data were used to predict the
rice price in Indonesia from January 2010 to December 2012. Data were divided
into 2 groups, the data from January 2010 to December 2011 (t = 1 to t = 24) used
as training data and the rest of January to December 2012 (t = 25 to t = 36) as a
testing data. Output variables (Y) used in this study is rice price data month from
January 2010 to December 2012. The input variables in this study are X1 is rice
harvested area (ha), X2 is productivity (ku/ha), X3 is total of rice production (ton)
and X4 is total of population (thousands).
 The first step in this research is to calculate the predicted price of rice from
January to December 2012 with a single kNN method then make a prediction of
the model using the number of nearest neighbors (k) are different. The next step is
to calculate the price of rice to the model prediction ensemble kNN. Once the
model is obtained subsequent to evaluate the predicted results with the price of
rice at the end of the testing data is based on the value of MAPE (Mean Absolute
Percentage Error), MAE (Mean Absolute Error) and RMSEP (Root Mean Squared
Error of Prediction). Prediction of rice prices in Indonesia using the best method
based on the value of MAPE, MAE and the RMSEP.
Value of MAPE, MAE and RMSEP prediction results in rice prices in
Indonesia showed that the ensemble kNN method has better performance than the
single kNN method. The values are getting smaller if the tested values of k greater,
however, if the value of k is tested very large or close to the size of the training
data then these values gives great results. The range of the predicted value is
almost equal to the price of rice in rice prices actually. Moreover, rice price
forecast trend also has a pattern similar to the real price of rice.

Key words : Ensemble, k-Nearest Neighbor, Machine Learning Algorithm, Time

Series Analysis.
 Hak Cipta Milik IPB, Tahun 2015
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan
IPB

Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB
METODE ENSEMBLE K-NEAREST NEIGHBOR UNTUK
PREDIKSI HARGA BERAS DI INDONESIA

DEWI SINTA

Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Sains
pada
Program Studi Statistika

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2015
Penguji Luar Komisi pada Ujian Tesis: Dr. Ir. Aji Hamim Wigena, M.Sc
 Judul Tesis : Metode Ensemble k-Nearest Neighbor untuk Prediksi Harga Beras
di Indonesia
Nama : Dewi Sinta
NIM : G151110061

Disetujui oleh

Komisi Pembimbing

Dr. Ir. Hari Wijayanto, M. Si Dr. Bagus Sartono, S. Si, M. Si

Ketua Anggota

Diketahui oleh

Ketua Program Studi Dekan Sekolah Pascasarjana

Statistika

Dr. Ir. Anik Djuraidah, MS Dr. Ir. Dahrul Syah, M. Sc. Agr

Tanggal Ujian: 16 Desember 2014 Tanggal Lulus:

 PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa taala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan November 2013 ini ialah
data harga beras di Indonesia, dengan judul Metode Ensemble k-Neraest Neighbor
untuk Prediksi Harga Beras di Indonesia. Keberhasilan penulisan tesis ini tidak
lepas dari bantuan, bimbingan, dan arahan dari berbagai pihak.
Terima kasih penulis ucapkan kepada Bapak Dr. Ir. Hari Wijayanto, M.Si.
dan Bapak Dr. Bagus Sartono, M.Si selaku pembimbing yang telah meluangkan
waktu untuk memberikan bimbingan, arahan, dan saran kepada penulis dalam
menyelesaikan tesis ini. Terimakasih untuk Bapak Dr. Ir. Aji Hamim Wigena,
M.Sc selaku penguji tesis dan Bapak Dr. Ir. I Made Sumertajaya, M.Si selaku
Moderator dalam pengujian tesis. Di samping itu, penulis juga mengucapkan
terimakasih kepada seluruh staf administrasi Rektorat dan staf Program Studi
Statistika yang telah turut membantu kelancaran administrasi dalam penyelesaian
tesis ini.
Ungkapan terimakasih terkhusus penulis sampaikan kepada ayahanda
(Karnadi), Ibunda (Pepi Yetni) dan kakak (Lina Karnadi) serta seluruh keluarga
atas doa yang tulus, pengorbanan yang tak ternilai, dukungan dan kasih
sayangnya. Terimakasih juga untuk teman-teman Statistika (S2 dan S3) dan
Statistika Terapan (S2) atas bantuan, saran, dan ilmu yang positif.
Penulis menyadari sepenuhnya bahwa tesis ini masih banyak kekurangan
dan jauh dari kesempurnaan. Oleh karena itu, penulis mengharapkan kritik dan
saran yang bersifat membangun guna menyempurnakan tesis ini dan karya ilmiah
secara utuh. Semoga tesis ini dapat menambah wawasan dan bermanfaat.

Bogor, Januari 2015

Dewi Sinta
 DAFTAR ISI

DAFTAR TABEL vi
DAFTAR GAMBAR vi
DAFTAR LAMPIRAN vi
1 PENDAHULUAN 1
Latar Belakang 1
Tujuan Penelitian 2
2 TINJAUAN PUSTAKA 3
Data Deret Waktu 3
Teknik Ensemble 3
k-Nearest Neighbor (kNN) 4
3 METODE PENELITIAN 6
Data 6
Metode Analisis 6
4 HASIL DAN PEMBAHASAN 10
Eksplorasi Data 10
kNN Tunggal dan Ensemble kNN 14
5 SIMPULAN DAN SARAN 17
Simpulan 17
Saran 17
DAFTAR PUSTAKA 17
LAMPIRAN 19
RIWAYAT HIDUP 23
 DAFTAR TABEL

1. Nilai MAPE, MAE dan RMSEP hasil prediksi harga beras di Indonesia
menggunakan data testing Januari Desember 2012 15
2. Nilai MAPE, MAE dan RMSEP hasil prediksi harga beras di Indonesia
menggunakan data testing Januari 2011 Desember 2012 15
3. Prediksi harga beras per kilogram di Indonesia Januari Desember 2012 16

DAFTAR GAMBAR

1. Diagram pemilihan k-tetangga terdekat pada data testing 5

2. Diagram penelitian 9
3. Pergerakan harga beras di Indonesia Januari 1998 Desember 201210
4. Grafik data : (a) Luas Panen (Ha), (b) Produktivitas (Ku/Ha), (c)
Produksi (Ton) dan (d) Jumlah Penduduk (Ribu) 11
5. Prediksi harga beras pada metode kNN tunggal dan ensemble kNN 14

DAFTAR LAMPIRAN

1. Data harga beras, luas panen, produktivitas, produksi dan jumlah

penduduk di Indonesia dari Januari 1998 - Desember 2012 19
2. Syntax program R prediksi harga beras dengan metode kNN tunggal dan
ensemble kNN 20
3. Hasil prediksi harga beras di Indonesia dengan metode kNN tunggal dan
ensemble kNN Januari Desember 2012 22
 1

1. PENDAHULUAN

Latar Belakang

Data yang diperoleh pada suatu penelitian seringkali berupa fungsi atas
waktu, dan antar pengamatannya terdapat suatu hubungan (autokorelasi), sehingga
untuk menganalisis hubungan fungsional antara pengamatan dengan waktunya
tidak dapat menggunakan analisis regresi sederhana. Data seperti ini dinamakan
data deret waktu (times series) dan untuk menganalisisnya harus menggunakan
metode analisis data deret waktu. Analisis deret waktu merupakan hal yang sangat
penting dalam setiap bidang ilmu sains seperti prediksi keuangan, prediksi cuaca,
penelitian, ilmu medis dan lain sebagainya (Chitra dan Uma 2010). Pada banyak
kasus sangat jarang ditemukan data deret waktu yang memenuhi asumsi. Salah
satu penyebabnya adalah adanya hubungan yang tidak linear antar peubahnya,
sehingga sangat diperlukan suatu metode yang efisien. Banyak metode yang
berkembang mengenai prediksi data deret waktu dengan ukuran data yang besar
dan peubah penjelas yang banyak, seperti metode Artificial Neural Network
(ANN), Radial Basis Function Networks (RBF), k-Nearest Neighbor (kNN) dan
Self Organizing Map (SOM). Metode kNN dapat digunakan untuk data yang tidak
memenuhi asumsi klasik dan karakteristik data yang tidak linear.
Metode kNN merupakan salah satu algoritma Machine Learning (ML)
yang dianggap sebagai suatu metode yang sederhana untuk diterapkan dalam
analisis data dengan dimensi peubah yang banyak (Alkhatib et al. 2013).
Walaupun metode ini sederhana namun metode ini memiliki kelebihan
dibandingkan metode lain, yaitu dapat menggeneralisasi himpunan data training
yang relatif kecil (Rokach 2010). Pada awalnya kNN merupakan metode untuk
analisis klasifikasi, namun beberapa dekade terakhir digunakan untuk prediksi.
Dalam pendekatan klasifikasi, himpunan data dibagi menjadi himpunan data
training dan data testing. kNN menggunakan ukuran kemiripan untuk
membandingkan data testing yang diberikan dengan data training. kNN memilih k
data dari data training yang dekat dengan data testing dalam memprediksi peubah
output. kNN juga dianggap sebagai lazy learning yang tidak membangun model
atau fungsi, tetapi menghasilkan k-tetangga terdekat dari data training yang
mempunyai kemiripan dengan data testing (Alkhatib et al. 2013). Dalam metode
kNN sangat penting untuk memilih nilai k-tetangga terdekat, karena hal ini dapat
mempengaruhi hasil prediksi. Nilai k yang kecil dapat menghasilkan ragam yang
besar pada hasil prediksi, sedangkan nilai k yang besar dapat mengakibatkan bias
model yang besar. Metode alternatif yang biasanya digunakan untuk mengatasi
masalah ini adalah optimasi parameter dengan menggunakan cross-validation,
namun metode ini kurang efisien karena algoritma training harus diulang kembali
untuk k selanjutnya. Teknik ensemble merupakan suatu metode yang memiliki
kemampuan keakuratan prediksi dan sangat efisien digunakan dalam metode kNN,
sehingga tidak perlu dilakukan pencarian nilai k yang optimal.
Pada prinsipnya teknik ensemble adalah menggabungkan hasil pendugaan
dari banyak model menjadi satu buah pendugaan akhir. Teknik ini tidak memilih
satu model terbaik dari sekian banyak kandidat model dan kemudian melakukan
pendugaan dari model terbaik tersebut, namun menggabungkan hasil pendugaan
dari berbagai model yang ada dengan bobot tertentu. Terdapat dua jenis teknik
 2

ensemble yang bisa dilakukan yaitu teknik hybrid dan non-hybrid (De Bock et al.
2010). Teknik hybrid bekerja dengan melibatkan berbagai algoritma pemodelan
dan selanjutnya menggabungkan prediksi yang dihasilkan oleh masing-masing
algoritma menjadi satu prediksi akhir. Sedangkan teknik non-hybrid bekerja
dengan satu jenis algoritma namun menggunakannya berkali-kali untuk
menghasilkan banyak model berbeda, dan selanjutnya hasil prediksi dari model
berbeda digabungkan menjadi satu. Berbagai penelitian menunjukkan bahwa
ensemble mampu memberikan hasil yang lebih akurat. Zhu (2008) menyatakan
bahwa teknik ensemble menjadi salah satu teknik penting dalam peningkatan
kemampuan prediksi dari berbagai model standar. Friedman dan Popescu (2008)
melakukan studi simulasi dan mendapatkan hasil bahwa teknik ensemble
mendeteksi dengan baik peubah yang berpengaruh dan saling berinteraksi. Liu et
al. (2009) menggunakan teknik ensemble dalam membangun model prediksi
ketika data bersifat ill-conditioned seperti pada kasus jumlah kelas yang tidak
seimbang pada data. De Bock et al. (2010) dan Kocev et al. (2013) juga
menyatakan pada pemodelan klasifikasi model pohon ensemble memberikan
ketepatan dugaan yang umumnya lebih tinggi dibandingkan pohon tunggal.
Teknik ensemble dapat diaplikasikan dalam analisis deret waktu untuk
menghasilkan keakuratan prediksi. Sorjamaa et al. (2005) menggunakan mutual
information untuk memilih input prediksi deret waktu dalam kNN. Yu et al.
(2009) menggunakan Multiresponse Sparse Regression (MRSR) sebagai langkah
ketiga untuk peringkat masing-masing k-tetangga terdekat dan terakhir melakukan
pendugaan Leave-One-Out sebagai langkah keempat dalam memilih jumlah
tetangga terdekat. Sasu (2012) mengembangkan algoritma kNN untuk prediksi
data deret waktu. Alkhatib et al. (2013) menggunakan algoritma kNN yang masih
sederhana untuk prediksi stock price. Penelitian tersebut menggunakan metode
regresi kNN untuk memprediksi respon atau peubah output, namun dalam
penelitian ini akan digunakan modifikasi prediksi untuk data deret waktu dengan
konsep pembobot. Penelitian ini menerapkan metode kNN tunggal dan ensemble
kNN pada data harga beras di Indonesia agar diperoleh keakuratan prediksi.
Akurasi prediksi diperlukan untuk membantu pemerintah dalam menetapkan
kebijakan suplay dan demand beras di setiap wilayah sehingga gejolak harga beras
dapat diminimalkan. Oleh karena itu penelitian ini bertujuan untuk mengetahui
kinerja metode kNN tunggal dan ensemble kNN, kemudian memprediksi harga
beras di Indonesia menggunakan metode terbaik.

Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk mengetahui kinerja metode kNN
tunggal dan ensemble kNN, kemudian memprediksi harga beras di Indonesia
menggunakan metode terbaik.
 3

2. TINJAUAN PUSTAKA

Data Deret Waktu

Data deret waktu adalah data yang dikumpulkan dari waktu kewaktu untuk
menggambarkan perkembangan suatu kegiatan (perkembangan produksi, harga,
jumlah penduduk dan lain sebagainya). Periode waktu dapat berupa tahunan,
mingguan, bulanan, semester, kuartal dan lain-lain. Analisis deret waktu adalah
salah satu prosedur statistika pada data deret waktu yang diterapkan untuk
memprediksi keadaan yang akan datang dalam rangka pengambilan keputusan.
Data deret waktu biasanya dianalisis untuk menemukan pola-pola pertumbuhan
atau perubahan masa lalu yang dapat digunakan untuk memprediksi pola-pola
masa mendatang sejalan dengan kebutuhan operasi bisnis. Beberapa literatur
menyebutkan, bahwa pola data cenderung akan berulang pada periode waktu
mendatang. Identifikasi pola terhadap data deret waktu juga berfungsi untuk
menentukan metode yang akan digunakan untuk menganalisis data tersebut.
Teknik-teknik peramalan data deret waktu digunakan untuk menghitung
perubahan sepanjang waktu dengan memeriksa pola-pola (konstan, musiman,
siklus, dan trend) atau menggunakan informasi mengenai periode waktu
sebelumnya untuk memperkirakan hasil periode mendatang. Jenis pola data sangat
penting untuk diketahui karena akan berpengaruh terhadap hasil prediksi. Ada
beberapa asumsi yang penting yang harus dipenuhi agar data deret waktu dapat
digunakan dalam keperluan prediksi. Beberapa diantaranya adalah adanya
ketergantungan antara kejadian masa mendatang terhadap masa sebelumnya atau
lebih dikenal dengan istilah adanya autokorelasi antara Zt dan Zt-k, kestasioneran
data dan kehomogenan ragam. Akurasi yang dihasilkan dari prediksi deret waktu,
sangat ditentukan oleh seberapa jauh asumsi-asumsi diatas dipenuhi.
Metode yang dilakukan untuk menganalisis data deret waktu seperti moving
average, exsponential smoothing, dekomposisi, ARIMA (Autoregressive
Integrated Moving Average), dan MARIMA (Multivariate Autoregressive
Integrated Moving Average). Sebagian besar metode melibatkan model matematis
terbaik untuk menyatakan perilaku dari sistem yang diamati. Terkadang dalam
mengidentifikasi model memerlukan keahlian khusus karena karakteristik yang
tidak linear pada model cukup sulit untuk diidentifikasi. Perbedaan prediksi
mungkin terjadi pada model yang berbeda jika menggunakan himpunan
pengamatan yang sama. Beberapa analisis dapat diterapkan pada deret waktu
untuk menentukan unsur-unsur statistiknya sehingga dapat memberikan gambaran
mengenai model yang mungkin cocok untuk data tersebut. Pada analisis data deret
waktu yang terpenting adalah koefisien autokorelasi, yaitu hubungan data deret
waktu dengan dirinya sendiri, dengan lag 0, 1, 2 atau lebih periode.

Teknik Ensemble

Teknik ensemble adalah teknik yang tidak memilih satu model terbaik dari
sekian banyak kandidat model dan kemudian melakukan pendugaan dari model
terbaik tersebut, namun menggabungkan hasil pendugaan dari berbagai model
yang ada dengan bobot tertentu. Teknik ensemble menjadi salah satu teknik
penting dalam peningkatan kemampuan prediksi dari berbagai model standar.
 4

Teknik ensemble ditentukan dalam dua cara, tahap pertama memilih peubah
output dari anggota ensemble yang terbaik untuk memperoleh prediksi akhir.
Tahap kedua menggabungkan peubah output dari anggota ensemble menggunakan
beberapa algoritma kombinasi (Lim dan Goh 2007). Pada dasarnya teknik
ensemble merupakan teknik peramalan yang mengkombinasikan beberapa peubah
output dari metode peramalan.Teknik ensemble menjadi salah satu metode
peramalan yang popular, khususnya pada prediksi iklim. Studi terakhir telah
menunjukkan bahwa kombinasi beberapa model dapat memperbaiki kekekaran
dan kehandalan, yaitu ensemble (Lusia dan Suhartono 2013).
Salah satu teknik ensemble yang digunakan untuk memprediksi adalah
Weighted Mean (rataan terboboti).

, (1)

dengan merupakan nilai prediksi dari model ke-i dan adalah pembobotnya.

k-Nearest Neighbor (kNN)

k-Nearest Neighbor (kNN) adalah suatu metode yang menggunakan

algoritma supervised dimana data testing yang baru diklasifikasikan berdasarkan
mayoritas kelas pada kNN. Tujuan dari algoritma ini adalah mengklasifikasi objek
baru berdasarkan atribut dan data training. Pengklasifikasian tidak menggunakan
model apapun untuk dicocokkan dan hanya berdasarkan pada memori. Prinsip dari
kNN adalah menemukan k objek dari data training yang paling dekat dengan data
testing. Algoritma kNN sangat sederhana, bekerja berdasarkan pada jarak terdekat
dari data testing dengan data training untuk menentukan k-tetangga terdekat
(kNN), kemudian diambil mayoritas dari kNN untuk dijadikan prediksi dari data
testing. Gambar 1 menunjukkan bagaimana memilih k-tetangga terdekat.
Misalnya untuk k = 3, pada gambar ditunjukkan dalam lingkaran pertama, yaitu
terdapat 3 data training yang memiliki jarak paling dekat dengan data testing.
Sedangkan untuk k = 5, tetangga terdekat dari data testing pada lingkaran kedua,
yaitu terdapat 5 data training yang memiliki jarak paling dekat dengan data testing.

Gambar 1 Diagram pemilihan k-tetangga terdekat pada data testing

 5

kNN memiliki beberapa kelebihan yaitu kekar terhadap data training

yang noise dan efektif apabila data training kecil. Sedangkan kelemahan dari kNN
adalah perlunya ketelitian dalam menentukan nilai dari parameter k (jumlah dari
tetangga terdekat). Metode ini sangat sensitif terhadap peubah yang tidak relevan
atau berlebihan karena semua peubah berkontribusi terhadap kesamaan dan
klasifikasi (Chitra dan Uma 2010). kNN banyak diterapkan dalam analisis data
yang memiliki banyak dimensi peubah, seperti data keuangan dan bisnis. Prediksi
data yang pengamatannya merupakan dimensi waktu dapat menggunakan
kombinasi pendekatan klasifikasi data (Alkhatib et al. 2013). kNN merupakan
salah satu metode yang digunakan untuk memprediksi peubah output dari data
tersebut menggunakan pendekatan klasifikasi. Dalam pendekatan klasifikasi,
himpunan data dibagi menjadi himpunan data training dan data testing. kNN
menggunakan ukuran kemiripan untuk membandingkan data testing yang
diberikan dengan data training. Salah satu ukuran kemiripan yang digunakan
adalah jarak euclid antara dua titik yaitu titik pada data training (xtrain) dan titik
pada data testing (xtest), yaitu

, (2)

kNN memilih k data dari data training yang dekat dengan data testing dalam
memprediksi peubah output. Nilai output dari k data training yang terpilih sebagai
tetangga terdekat digunakan untuk memprediksi nilai output dari data testing yang
tidak diketahui. Regresi kNN menggunakan formula sebagai berikut untuk
memprediksi nilai tersebut (Sorjamaa et al. 2005),

(3)

dengan k merupakan banyaknya tetangga terdekat dari . Rumus ini kurang

efisien jika digunakan pada data deret waktu, karena tidak mempertimbangkan
korelasi antar pengamatan (waktu). Formulasi umum yang digunakan untuk
memprediksi data testing adalah

, (4)

dengan merupakan pembobot untuk tetangga ke-j. Pembobot ini dapat

disesuaikan berdasarkan data yang diamati, yaitu dengan = urutan
waktu dan = banyaknya amatan pada data training. Selanjutnya metode ini
disebut sebagai metode kNN deret waktu atau kNN tunggal.
 6

3. METODOLOGI PENELITIAN

Data

Jenis dan Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder yang
diperoleh dari Kementerian Pertanian (KEMENTAN) bagian distribusi dan
cadangan pangan. Data merupakan hasil rekapitulasi penarikan contoh harga akhir
dari beberapa pedagang di pasar-pasar tradisional dari Januari 1998 hingga
Desember 2012. Dalam penelitian ini data yang digunakan untuk memprediksi
harga beras di Indonesia adalah data harga beras Januari 2010 hingga Desember
2012. Data dibagi menjadi 2 kelompok, data dari Januari 2010 hingga Desember
2011 (t=1 hingga t=24) dijadikan sebagai data training dan sisanya dari Januari -
Desember 2012 (t=25 hingga t=36) sebagai data testing.

Peubah Penelitian
Peubah output ( ) yang digunakan dalam penelitian ini adalah data harga
beras per bulan dari Januari 2010 hingga Desember 2012. Peubah input dalam
penelitian ini adalah X1 luas panen padi (ha), X2 produktivitas (ku/ha), X3 total
produksi padi (ton) dan X4 jumlah penduduk (ribu). Peubah input ini merupakan
data persubround (tiga bulanan) sehingga data terlebih dahulu diinterpolasi agar
menjadi data bulanan. Hal ini perlu dilakukan karena peubah output yang
digunakan merupakan data bulanan.

Metode Analisis

Langkah awal yang dilakukan dalam penelitian ini adalah analisis

deskriptif pada setiap peubah yang digunakan dalam analisis. Tahapan analisis
data dalam penelitian ini dibagi menjadi tiga tahap, yaitu:
Tahap I: Menghitung prediksi harga beras dari Januari - Desember 2012 dengan
metode kNN tunggal. Pada tahap ini dilakukan prediksi terhadap metode
menggunakan jumlah tetangga terdekat (k) yang berbeda. Langkah-langkah
analisis sebagai berikut:
1. Menentukan nilai k, dengan k terdiri dari 3, 4, 6, 9, 10, 12, 15 dan 24.
2. Membakukan setiap peubah input. Hal ini bertujuan untuk menyamakan skala
yang berbeda dari setiap peubah input.
3. Menghitung jarak Euclid antar pengamatan dari data training dan
data testing berdasarkan peubah input menggunakan formula

dengan p merupakan banyaknya peubah input.

4. Urutkan jarak Euclid tersebut dari jarak yang terkecil hingga terbesar,
kemudian pilih k data training yang terdekat dengan data testing tersebut,
yaitu data training yang memiliki jarak Euclid terkecil dengan data testing.
 7

5. Menghitung nilai pembobot untuk setiap data training yang terpilih sebagai
tetangga terdekat, oleh karena data yang dianalisis merupakan data deret
waktu yang memperhatikan urutan data. Data training yang nomor urutnya
jauh dari data testing akan diboboti kecil, sedangkan data training yang dekat
dengan data testing akan diboboti besar, sehingga formula pembobot yang
digunakan adalah dengan = pembobot kNN tunggal untuk tetangga
ke- yang terpilih, = urutan waktu, dan = banyaknya amatan pada data
training. Nilai pembobot ini digunakan untuk memboboti peubah output yang
terpilih menjadi tetangga terdekat.
6. Menghitung prediksi peubah output dengan metode kNN tunggal. Prediksi
bukan hanya menggunakan rata-rata k-tetangga terdekat dari peubah output
seperti halnya regresi kNN. Agar nilai prediksi yang dihasilkan tetap
mengikuti pola data yang memiliki trend, maka dalam penelitian ini prediksi
menggunakan modifikasi metode regresi kNN yaitu dengan menambahkan
faktor koreksi trend dan perubahan waktu, yaitu menggunakan formula
,
dengan = slope dari model regresi antara (waktu) terhadap (peubah
output) sedangkan = Rata-rata selisih antara nomor urut data testing dengan
data training yang terpilih menjadi k tetangga terdekat. dalam hal ini
merupakan faktor koreksi untuk memperhatikan kondisi trend data dan
perubahan data terhadap waktu.
7. Nilai prediksi yang diperoleh pada langkah 1-6 dijadikan sebagai data
training untuk memprediksi peubah output data testing berikutnya.
Banyaknya data training yang digunakan dalam analisis selalu sama yaitu
sebanyak 24 data, sehingga untuk prediksi peubah output yang kedua, data
dengan nomor urut pertama tidak diikutsertakan dalam analisis. Untuk
memprediksi data yang ketiga, data dengan nomor urut pertama dan kedua
tidak diikutsertakan. Hal ini dilakukan juga pada prediksi selanjutnya.
8. Melakukan evaluasi terhadap hasil prediksi akhir dengan harga beras pada
data testing berdasarkan nilai MAPE (Mean Absolute Percentage Error),
MAE (Mean Absolute Error) dan RMSEP (Root Mean Squared Error of
Prediction) menggunakan rumus perhitungan akurasi peramalan tersebut
(Mendenhall et al. 1993):

dengan merupakan banyaknya data testing yang diprediksi.

 8

Tahap II: Menghitung prediksi harga beras dengan metode ensemble KNN.
Langkah-langkah analisis sebagai berikut:
1. Menghitung prediksi menggunakan metode kNN tunggal dengan jumlah
tetangga terdekat (k) berbeda-beda yaitu 3, 4, 6, 9, 10, 12, 15 dan 24. Nilai-
nilai k ini digunakan untuk melihat bagaimana pengaruh nilai k terhadap hasil
prediksi.
2. Menggabungkan kedelapan hasil prediksi tersebut menggunakan formula
, dengan merupakan banyaknya metode kNN tunggal yang
digunakan, pembobot ensemble merupakan korelasi antara data harga
beras dengan prediksi metode kNN tunggal ke-h ( menggunakan formula
. Korelasi menggambarkan besarnya hubungan antara data harga
beras dengan prediksi metode kNN tunggal. Prediksi yang baik akan
mengikuti pola data yang sebenarnya, jika prediksi mengikuti pola trend yang
searah dengan pola data sebenarnya maka korelasi yang dihasilkan besar,
sehingga pembobot wh juga besar.
3. Melakukan evaluasi terhadap hasil prediksi akhir dengan harga beras pada
data testing berdasarkan nilai MAPE, MAE dan RMSEP.

Tahap III: Memprediksi harga beras di Indonesia menggunakan metode terbaik

berdasarkan nilai MAPE, MAE dan RMSEP.
 9

Gambar 2 Diagram penelitian

 10

4. HASIL DAN PEMBAHASAN

Bab ini membahas mengenai hasil prediksi harga beras di Indonesia

dengan metode ensemble k-Nearest Neighbor (kNN). Harga beras akan diprediksi
menggunakan metode kNN tunggal dan ensemble kNN. Kemudian ditentukan
metode mana yang memiliki kinerja lebih baik untuk memprediksi harga beras di
Indonesia. Kinerja metode tersebut diukur berdasarkan nilai kebaikan model yaitu
MAPE, MAE dan RMSEP antara data prediksi dengan data aktual.

Eksplorasi Data

Ketersediaan beras sangat penting bagi penduduk Indonesia, karena beras

merupakan makanan pokok penduduk Indonesia. Ada istilah yang berkembang
Belum makan kalau belum makan nasi (beras), hal ini membuktikan betapa
pentingnya beras bagi penduduk Indonesia. Dengan semakin meningkatnya
jumlah penduduk akan meningkatkan permintaan terhadap beras. Permasalahan
timbul dengan terjadinya peningkatan jumlah penduduk Indonesia yang tidak
diikuti dengan peningkatan produksi beras di Indonesia. Dalam komponen
pengeluaran konsumsi masyarakat Indonesia, beras mempunyai bobot yang paling
tinggi. Oleh karena itu inflasi nasional sangat dipengaruhi oleh perubahan harga
beras. Kondisi harga beras di Indonesia terus berubah (tidak stabil). Hal ini dapat
terlihat pada Gambar 3.

Gambar 3 Pergerakan Harga Beras di Indonesia Januari 1998

Desember 2012

Gambar 3 memperlihatkan bahwa data harga beras di Indonesia pada

Januari 1998 - Desember 2012 mengalami kenaikan secara signifikan dan
membentuk pola trend positif. Hal ini menunjukkan adanya ketidakstasioneran
data yang dipengaruhi oleh beberapa faktor, yaitu tahun 1998 pada bulan Januari
hingga September harga beras cenderung meningkat dari harga kurang lebih Rp
1290 per kilogram mencapai harga Rp 3000 per kilogram. Kenaikan ini
 11

merupakan akibat dari krisis ekonomi moneter yang terjadi di Indonesia mulai
tahun 1997-1998 yang memberikan pengaruh yang sangat besar terhadap harga
beras. Upaya pemerintah untuk menurunkan harga beras dapat terlihat dari
turunnya harga beras pada penghujung tahun 2000 mencapai harga Rp 2349 per
kilogram. Namun pada tahun 2001 hingga tahun 2004 harga beras terus
meningkat tetapi masih dibawah angka Rp 3000 per kilogram. Selanjutnya
perilaku harga beras mulai meningkat tajam, harga beras melambung tinggi mulai
dari Rp 3335 per kilogram hingga Rp 8700 per kilogram. Adanya kenaikan harga
beras yang cukup besar ini diduga terjadi karena adanya masalah pada pasokan
distribusi (Kusumaningrum 2008).
Data yang digunakan untuk memprediksi harga beras adalah data Januari
2010 hingga Desember 2011. Harga beras pada tahun tersebut kenaikannya mulai
stabil dan tidak terlalu tajam, namun masih memiliki trend yaitu mulai dari harga
Rp 6623 hingga Rp 8705 per kilogram. Hal ini berarti data training yang
digunakan untuk memprediksi harga beras tahun 2012 hanya terdiri dari 24 data
saja. Metode yang digunakan untuk memprediksi harga beras dengan
menggunakan kondisi data training yang sedikit adalah metode kNN, karena salah
satu kelebihan dari metode tersebut adalah memiliki kinerja yang sama dengan
metode lain walaupun data training yang digunakan lebih sedikit (Rokach 2010).

(a) (b)

(c) (d)
Gambar 4 Grafik data : (a) Luas Panen (Ha), (b) Produktivitas (Ku/Ha), (c)
Produksi (Ton), dan (d) Jumlah Penduduk (Ribu)
 12

Grafik data pada gambar 4 terdiri dari grafik data luas panen, produktivitas,
produksi dan jumlah penduduk. Ke empat peubah ini merupakan peubah input
yang dapat mempengaruhi harga beras di Indonesia, harga beras merupakan
peubah output. Gambar 4(a) merupakan grafik data luas panen bulanan, data
tersebut merupakan hasil interpolasi data per subround (tiga bulanan) dari tahun
2003 hingga tahun 2012. Pada gambar tersebut membentuk pola musiman.
Pada dasarnya beras tersedia dalam jumlah paling banyak pada satu bulan
setelah periode panen raya yaitu terjadi pada bulan Februari hingga Juni, yang
berarti puncak stok beras terjadi pada bulan Maret hingga Juli. Pada bulan
Februari luas lahan meningkat dibandingkan pada bulan Januari dari sebesar 5.26
juta hektar menjadi 5.37 juta hektar. Begitu juga halnya dengan luas lahan pada
periode-periode selanjutnya, pada bulan Februari tiap tahunnya mengalami
kenaikan dari 5.26 juta hektar menjadi 6.37 juta hektar. Periode panen gadu yang
terjadi berturut-turut pada bulan Juli, Agustus, September dan Oktober. Panen
padi gadu pada umumnya menghasilkan beras bermutu bagus, tetapi jumlahnya
tidak sebanyak beras pada penen raya. Pada periode ini harga beras secara rata-
rata nasional merupakan harga yang sewajarnya, karena adanya keseimbangan
antara pasokan dan permintaan pasar (sapuan 1999). Periode panen kecil adalah
hasil penanaman musim kemarau, yang terdapat di wilayah beririgasi teknis dan
biasanya hamparan panennya tidak luas karena di selang-seling oleh tanaman
palawija atau hortikultura. Panen kecil terjadi pada bulan Nopember, Desember
dan Januari. Pada periode panen ini stok beras sudah menipis, dan pada wilayah-
wilayah lahan kering terjadi musim paceklik.
Pada gambar 4(b) merupakan grafik data produktivitas bulanan, data
tersebut merupakan hasil interpolasi data per subround (tiga bulanan) dari tahun
2003 hingga tahun 2012. Pada gambar data produktivitas padi mengalami trend
dan tidak stasioner dalam rata-rata. Pada periode Februari-Maret 2003 mengalami
kenaikan dari 45.11 kuintal/hektar hingga 46.00 kuintal/hektar. Masih pada
tahun 2003 hingga Desember 2004 terjadi penurunan produktivitas dari 45.69
kuintal/hektar hingga 44.70 kuintal/hektar. Hal itu terjadi untuk tiap tiga bulan
berikutnya, hingga pada Januari 2005 hingga Oktober 2012 produktivitas
mengalami peningkatan dari 45.07 kuintal/hektar sampai 50.17 kuintal/hektar.
Pada penghujung tahun 2012 mengalami penurunan menjadi 46.03 kuintal/hektar.
Penyebab turun naiknya produktivitas dalam budidaya padi sawah adalah
perubahan cuaca di Indonesia mengalami perubahan yang cukup dinamis. Salah
satu kondisi yang dirasakan adalah semakin meningkatnya suhu udara dan tidak
seimbangnya jumlah air di musim kemarau dan musim hujan. Masyarakat
mengalami kekurangan air di musim kemarau dan kebanjiran di musim hujan.
Sementara itu, petani tidak cukup mampu beradaptasi terhadap perubahan cuaca
yang ditandai dengan tidak berubahnya pola penggunaan air pada padi sawah
yang makin terbatas jumlahnya.
Gambar 4(c) merupakan grafik data produksi bulanan, data tersebut
merupakan hasil interpolasi data per subround (tiga bulanan) dari tahun 2003
hingga tahun 2012. Pada gambar tersebut membentuk pola musiman. Produksi
padi mengalami peningkatan hasil yang signifikan, namun hasil produksi padi
berfluktuasi dari tahun ke tahun. Pada Januari 1998 jumlah produksi padi perlahan
mengalami penurunan mulai dari 23.59 juta ton gabah kering giling (GKG)
menjadi 10.31 juta ton pada bulan September. Pada bulan Oktober naik kembali
 13

sebesar 12.65 juta ton dan perlahan naik hingga bulan Januari 1999 menjadi 23.55
juta ton begitu seterusnya turun dan naik pada bulan-bulan tertentu. Hal ini
disebabkan oleh luas panen padi yang terjadi pada bulan-bulan tertentu, seperti
pada panen raya terjadi pada bulan Februari hingga Juni, terbukti pada bulan
Februari tiap tahunnya mengalami produksi padi yang besar dibandingkan dengan
bulan lainnya yaitu rata-rata sebesar 23 juta ton bahkan Februari 2012 produksi
padi meningkat menjadi 32.82 juta ton, kenaikan produksi diperkirakan terjadi
karena peningkatan luas panen sebesar 6 juta hektar. Periode panen selanjutnya
adalah panen gadu yang terjadi pada bulan Juli hingga Oktober. Pada Panen padi
gadu pada umumnya menghasilkan beras bermutu bagus, tetapi jumlahnya tidak
sebanyak beras pada penen raya.Terbukti pada periode ini hasil produksi padi
hanya 10 juta hingga 12 juta ton, karena adanya keseimbangan antara pasokan dan
permintaan pasar.
Gambar 4(d) merupakan grafik data jumlah penduduk bulanan, data tersebut
merupakan hasil interpolasi data tahunan dari tahun 1998 hingga tahun 2012. Pada
grafik jumlah penduduk mengalami kenaikan yang signifikan tiap tahun terbukti
pada gambar membentuk pola trend linear. Ledakan pertumbuhan penduduk akan
berdampak pada penyediaan bahan pangan. Terbukti dari tahun 1998 hingga tahun
2012 jumlah penduduk mengalami kenaikan yang signifikan. Meningkatnya
jumlah penduduk harus disertai dengan jumlah bahan pangan yang tersedia
khususnya ketersediaan akan bahan pokok seperti beras. Banyaknya penduduk
akan mengurangi lahan yang akan digunakan untuk pertanian, perternakan, dan
lahan-lahan untuk produksi pangan. Dengan berkurangnya lahan hijau di dunia
karena banyaknya jumlah penduduk, maka kualitas alam dalam penyediaan
kebutuhan manusia khususnya kebutuhan akan beras semakin menurun sebagai
akibat pertumbuhan penduduk. Sikap pemerintah dan masyarakat yang peduli
terhadap keseimbangan antara pertumbuhan jumlah penduduk dan ketersediaan
bahan pangan sangat penting. Bentuk hubungan antara pertumbuhan penduduk
dan pembangunan ekonomi adalah positif di negara maju, tetapi di negara yang
sedang berkembang hubungan tersebut masih negatif. Dalam upaya
menanggulangi kelaparan, kemiskinan dan peningkatan pendidikan, akan sangat
diuntungkan jika angka pertumbuhan penduduk dapat diturunkan agar kuantitas
dan kualitas sumber daya alam akan mengalami penurunan, seiring dengan
tingginya angka pertumbuhan penduduk.
Gambar 3 merupakan pola data untuk peubah output, sedangkan gambar 4
merupakan pola data untuk peubah-peubah input. Gambar 3 dan gambar 4 juga
memperlihatkan hubungan antara peubah input dan peubah output. Kelima peubah
tersebut memperlihatkan pola yang berbeda-beda, yaitu trend dan musiman,
sehingga ada hubungan yang kompleks antara peubah input dan peubah output.
Hal ini mengindikasikan metode deret waktu biasa sulit untuk diterapkan pada
data tersebut, sehingga diperlukan suatu metode yang efisien yang mampu
mengatasi hubungan yang kompleks antar peubah yaitu metode kNN.
 14

kNN Tunggal dan Ensemble kNN

Prediksi harga beras dalam penelitian ini menggunakan metode kNN

tunggal dan ensemble kNN. Metode yang memiliki kinerja yang baik dalam
memprediksi selanjutnya digunakan untuk memprediksi harga beras di Indonesia.
Kinerja kedua metode tersebut dilihat berdasarkan nilai MAPE, MAE dan
RMSEP. Metode yang baik digunakan untuk memprediksi memiliki nilai MAPE,
MAE dan RMSEP yang lebih kecil.
Metode kNN tunggal yang digunakan untuk memprediksi harga beras tahun
2012 dibedakan berdasarkan nilai k-tetangga terdekat yaitu k = 3, k = 4, k=6, k=9,
k=10, k=12, k=15 dan k=24. Metode kNN tunggal sangat sederhana dan efektif
digunakan apabila ukuran data training kecil dan data yang mempunyai dimensi
peubah yang banyak, kNN tunggal juga kekar terhadap data training yang noise.
Metode kNN mempunyai prinsip bahwa objek-objek dalam ruang input yang
sama juga sama dengan objek-objek dalam ruang outputnya, sehingga metode ini
bekerja berdasarkan kemiripan peubah-peubah inputnya (Zhou 2012). Metode
kNN menggunakan ukuran kemiripan untuk membandingkan data testing yang
diberikan dengan data training.

Gambar 5 Prediksi Harga Beras berdasarkan Metode kNN Tunggal dan

Ensemble kNN

Gambar 5 memperlihatkan hasil prediksi metode kNN tunggal dan ensemble

kNN. Hasil prediksi harga beras baik dengan menggunakan metode kNN tunggal
maupun ensemble kNN mempunyai fluktuasi dan pola yang hampir sama seperti
harga beras aktual tahun 2012. Hal ini membuktikan bahwa objek-objek dalam
ruang input yang sama juga sama dalam ruang outputnya. Pada gambar tersebut
terlihat bahwa harga beras memiliki pola yang sangat fluktuatif, yaitu bulan 1-3
masih stabil begitu juga dengan hasil prediksinya, sedangkan pada bulan ke-4
harga beras naik namun tidak terlalu signifikan. Harga beras juga memiliki pola
trend pada bulan 9-12 dan beberapa hasil prediksi masih mengikuti pola tersebut.
 15

Pemilihan model akhir yang diperoleh dari satu model yang terbaik
biasanya penduga parameter yang dihasilkan bias dan ragam penduganya
underestimate, selain itu distribusi dari penduga parameter tersebut jauh dari
distribusi normal (Claeskens dan Hjort 2008). Pada faktanya rata-rata merupakan
penduga parameter yang tak bias dan memiliki ragam kecil. Ensemble kNN
menggunakan konsep rata-rata terboboti dari penduga parameter beberapa hasil
prediksi metode kNN tunggal. Metode ini diharapkan menghasilkan hasil prediksi
yang lebih baik dibandingkan metode kNN tunggal.

Tabel 1 Nilai MAPE, MAE dan RMSEP Hasil Prediksi Harga Beras di Indonesia
menggunakan Data Testing Januari Desember 2012

kNN MAPE MAE RMSEP

k=3 3.16 265.82 310.65
k=4 2.68 225.30 283.57
k=6 2.19 183.38 239.06
k=9 1.61 134.84 172.19
k=10 1.60 133.96 157.96
k=12 1.50 125.84 155.58
k=15 1.36 115.40 124.77
k=24 1.51 128.71 145.67
Ensemble 1.46 123.10 152.75

Tabel 1 memperlihatkan nilai MAPE, MAE, dan RMSEP dari hasil prediksi
beberapa metode kNN tunggal dan metode ensemble kNN. Dalam metode kNN
sangat penting untuk memilih nilai k-tetangga terdekat, karena hal ini dapat
mempengaruhi hasil prediksi. Nilai k yang kecil dapat menghasilkan ragam yang
besar pada hasil prediksi, sedangkan nilai k yang besar dapat mengakibatkan bias
model yang besar. Hal ini terlihat pada Tabel 1 bahwa nilai MAPE, MAE, dan
RMSEP hasil prediksi semakin kecil jika nilai k yang dicobakan semakin besar,
namun jika nilai k yang dicobakan sangat besar atau mendekati ukuran data
training maka ketiga nilai tersebut memberikan hasil yang besar.

Tabel 2 Nilai MAPE, MAE dan RMSEP Hasil Prediksi Harga Beras di Indonesia
menggunakan Data Testing Januari 2011 Desember 2012

kNN MAPE MAE RMSEP

k=3 8.97 746.44 839.66
k=4 9.64 801.77 864.06
k=6 9.54 795.66 845.56
k=9 10.30 859.51 893.83
k=10 10.53 879.23 911.04
k=12 11.28 940.35 965.61
k=15 11.87 988.36 1007.96
k=24 13.32 1108.81 1123.24
Ensemble 10.84 903.09 930.27
 16

Tabel 1 juga memperlihatkan bahwa metode ensemble kNN menghasilkan

nilai MAPE, MAE dan RMSEP yang lebih kecil dibandingkan kNN tunggal
walaupun pada kasus k =15 nilai-nilai tersebut lebih kecil, namun hasil ini akan
berbeda jika nilai k yang sama dan banyaknya data training yang digunakan
berbeda. Hal ini dapat dibuktikan pada Tabel 2, dengan data training dari Januari
2007 hingga Desember 2010 dan data testing dari Januari 2011 Desember 2012.
Tabel tersebut memperlihatkan bahwa nilai k= 3 yang memberikan nilai lebih
kecil dibandingkan dengan nilai k lainnya dan k=15 menghasilkan nilai yang
cukup besar. Dari hasil tersebut terbukti bahwa metode kNN tunggal tidak
memberikan hasil yang konsisten. Sedangkan, metode ensemble kNN
menghasilkan prediksi yang lebih stabil dibandingkan metode kNN tunggal.

Tabel 3 Prediksi Harga Beras per kilogram di Indonesia Januari Desember 2012

Tahun Bulan Harga beras Prediksi Harga

(aktual) Beras
2012 Januari 8198 8389
2012 Februari 8273 8476
2012 Maret 8239 8565
2012 April 8687 8587
2012 Mei 8669 8526
2012 Juni 8470 8506
2012 Juli 8619 8565
2012 Agustus 8626 8615
2012 September 8471 8679
2012 Oktober 8552 8662
2012 November 8619 8689
2012 Desember 8705 8730

Hasil prediksi menggunakan metode ensemble kNN disajikan pada Tabel 3.

Hasil prediksi menggunakan metode ini menghasilkan nilai MAPE sebesar 1.46.
Pada Tabel tersebut terlihat bahwa prediksi harga beras tidak berbeda jauh dari
harga beras sebenarnya. Prediksi harga beras pada tahun 2012 berkisar Rp 8400
hingga Rp 8700 per kilogram. Kisaran ini hampir sama dengan harga beras
sebenarnya yaitu sekitar Rp 8100 hingga Rp 8800 per kilogram.
 17

5. SIMPULAN DAN SARAN

Simpulan

Nilai MAPE, MAE dan RMSEP hasil prediksi harga beras di Indonesia
menunjukkan bahwa metode ensemble kNN memiliki kinerja yang lebih baik
dibandingkan dengan metode kNN tunggal. Nilai-nilai tersebut semakin kecil jika
nilai k yang dicobakan semakin besar, namun jika nilai k yang dicobakan sangat
besar atau mendekati ukuran data training maka ketiga nilai tersebut memberikan
hasil yang besar. Kisaran nilai prediksi harga beras hampir sama dengan harga
beras sebenarnya. Selain itu, prediksi harga beras juga memiliki pola trend yang
hampir sama dengan harga beras sebenarnya.

Saran

Pada penelitian ini hanya melihat kinerja dari metode kNN tunggal dan
ensemble kNN menggunakan data harga beras dengan empat peubah input. Untuk
penelitian selanjutnya bisa mengkaji kinerja dari metode kNN melalui rancangan
simulasi. Selain itu bisa juga dilakukan dengan menambahkan peubah input yang
mempengaruhi harga beras. Teknik ensemble yang dilakukan dalam penelitian ini
menggunakan perhitungan rata-rata terboboti (Weighted Means), jadi penelitian
selanjutnya bisa dilakukan dengan menggunakan teknik ensemble yang lain.

DAFTAR PUSTAKA

Alkhatib K, Najadat H, Hmeidi I, Shatnawi MKA. 2013. Stock Price Prediction

Using k-Nearest Neighbor (kNN) Algorithm. International Journal of
Business, Humanities and Technology. 3(3):32-44.
Chitra A, Uma S. 2010. An Ensemble Model of Multiple Classifiers for Time
Series Prediction. International Journal of Computer Theory and
Engineering. 2(3):454-458.
Claesken G, Hjort LN. 2008. Model Selection and Model Averaging. Cambridge:
Cambridge University Press.
De Bock KW, Coussement K, Van Den PD. 2010. Ensemble Classification Based
on Generalized Additive Models. Computational Statistics and Data Analysis.
54(6):1535-1546.
Friedman JH, Popescu BE. 2008. Predictive Learning via Rule Ensemble. The
Annals of Applied Statistics. 2(3):916954.
Kocev D, Vens C, Struyf J, Dzeroski S. 2013. Tree Ensembles for Predicting
Structured Outputs. Pattern Recognition 46 (3):817-833.
Kusumaningrum R. 2008. Dampak Kebijakan Harga Dasar Pembelian Pemerintah
terhadap Penawaran dan Permintaan Beras di Indonesia [tesis]. Bogor (ID) :
Institut Pertanian Bogor.
 18

Lim CP, Goh WY. 2007. The Application of an Ensemble of Boosted Elman
Networks to Time Series Prediction: A Benchmark Study. International
Journal of Information and Mathematical Sciences. 3:2-9.
Liu XY, Wu J, Zhou ZH. 2009. Exploratory Undersampling for Class-Imbalance
Learning. IEEE Transactions On Systems, Man and Cybernetics-Part B.
39(2):539-550.
Lusia DA, Suhartono. 2013. Ensemble Method Based on Two Level
ARIMAXFFNN for Rainfall Forecasting in Indonesia. International Journal
of Science and Research (IJSR). Indian online ISSN: 2(2):2319-7064.
Mendenhall W, Reinmuth JE, Beaver RJ. 1993. Statistics for Management and
Economics. California: South-Western College Pub.
Rokach L. 2010. Pattern Classification Using Ensemble Methods. Singapore:
World Scientific Publishing.
Sapuan. 1999. Perkembangan Manajemen Pengendalian Harga Beras di Indonesia,
1969-1999. Agro Ekonomika. 29 (1):19-37.
Sasu A. 2012. K-Nearest Neighbor Algorithm for Univariate Time Series
Prediction. Bulletin Transilvania University of Brasov. 5(54):147-152.
Sorjamaa A, Hao J, Lendasse A. 2005. Mutual Information and k-Nearest
Neighbors Approximator for Time Series Prediction. Di dalam: Duch,
Wlodzislaw, Oja, Erkki, Zadrozny, Slawomir, editor. Artificial Neural
Networks : Formal Models and Their Applications. ICANN; 2005 Sept 11-
15; Warsaw, Poland. Berlin(DE): Springer. p 553-558.
Yu Q, Sorjamaa A, Miche Y, Severin E. 2009. A Methodology for Time Series
Prediction in Finance [tesis]. Bogor (ID): Aalto University.
Zhou HZ. 2012. Ensemble Methods Foundations and Alghoritms. Florida(US):
CRC Pr.
Zhu M. 2008. Kernels and Ensembles. Perspectives on Statistical Learning. The
American Statistisian. 2(62):97-109.
 19

Lampiran 1 Data Harga Beras, Luas Panen, Produktivitas, Produksi dan Jumlah
Penduduk di Indonesia dari Januari 1998 - Desember 2012

Harga Luas Jumlah

Produktivitas Produksi
Tahun Bulan Beras panen penduduk
(Ku/Ha) (Ton)
(Rp) (Ha) (Ribu)
1998 Januari 1290 5263067 44.39 23598700 176336
1998 Februari 1439 5378846 44.40 24543774 176542
1998 Maret 1475 5155840 44.41 23794265 176759
1998 April 1533 4676089 44.41 21747073 176986
1998 Mei 1621 4021637 44.42 18799100 177222
1998 Juni 1988 3289703 44.42 15415707 177467
1998 Juli 2202 2638216 44.43 12336089 177720
1998 Agustus 2529 2240284 44.43 10367902 177981
1998 September 3010 2269014 44.44 10318800 178249
1998 Oktober 2725 2821626 44.45 12654143 178523
1998 Nopember 2612 3691789 44.46 16470115 178803
1998 Desember 2764 4597281 44.46 20520604 179088
1999 Januari 2802 5255883 44.47 23559500 179379
1999 Februari 2758 5451724 44.47 24623277 179673
1999 Maret 2768 5234325 44.47 23878751 179971
1999 April 2735 4719556 44.48 21775325 180271
1999 Mei 2793 4023288 44.49 18762400 180572
1999 Juni 2787 3269527 44.51 15346794 180875
1999 Juli 2708 2614828 44.53 12264982 181177
1999 Agustus 2626 2223882 44.53 10310854 181478
1999 September 2570 2261379 44.52 10278300 181778
1999 Oktober 2529 2817934 44.48 12621818 182075
1999 Nopember 2459 3687852 44.43 16438335 182368
1999 Desember 2450 4591359 44.39 20485384 182656
. . . . . . .
. . . . . . .
. . . . . . .
2012 Januari 8198 6231959 51.56 32132657 213841
2012 Februari 8273 6372599 51.21 32824843 214094
2012 Maret 8239 6036490 50.90 31059839 214346
2012 April 8687 5395657 50.77 27683257 214598
2012 Mei 8669 4622122 50.93 23540708 214849
2012 Juni 8470 3871470 51.43 19433252 215099
2012 Juli 8619 3233532 51.96 15983744 215348
2012 Agustus 8626 2781699 52.16 13770484 215596
2012 September 8471 2589362 51.64 13371776 215844
2012 Oktober 8552 3076001 50.17 15086393 216090
2012 Nopember 8619 3866147 48.13 18094997 216336
2012 Desember 8705 4686327 46.03 21298721 216581
 20

Lampiran 2 Syntax Program R Prediksi Harga Beras dengan Metode kNN

Tunggal dan Ensemble kNN

#Bobot=urutan data/banyak data training

data <- read.table("D:/THESIS/Data/databaku.txt",head=F)
mulai.training<-145 #Data mulai dari tahun 2010
y<-data[mulai.training:nrow(data),3]
datajarak <- data[mulai.training:nrow(data),4:7]
jarak<-dist(datajarak, method = "euclidean")
jarak<-as.matrix(jarak)
#k<-3; #k<-6; #k<-9; #k<-12; #k<-13; #k<-18; #k<-21; #k<-24; #k<-10; #k<-30;
#k<-23; #k<-36; #k<-39;#k<-42;#k<-45;#k<-48;#k<-51;#k<-54;#k<-57;#k<-60;
n.test<-24
mulai.test<-nrow(datajarak)-n.test+1
var.test<-mulai.test
y.training<-y[1:(var.test-1)]
y.val<-y[(length(y)-n.test+1):length(y)]

#Untuk Regresi y vs Bulan

t<-seq(1,length(y.training))
#t<-rep(1:12,length(y.training)/12) #t-nya hanya 1 s/d 12 saja, diulang2
tren<-lm(y.training~t)
b1<-coef(tren)[2]
b0<-coef(tren)[1]
t.val<-seq((t[length(t)]+1),t[length(t)]+length(y.val))
#t.val<-1:12

#Untuk Hasil Prediksi

pred<-c(); pred.rata2<-c()
for(i in 1:n.test) {
jarak.test<-jarak[,var.test]
jarak.training<-jarak.test[i:(var.test-1)]
kterdekat<-as.numeric(names(sort(jarak.training))[1:k])
sort(jarak.training)
n.training<-length(jarak.training)
y.training<-y[i:(i+n.training-1)]
urutan.data<-cbind(1:n.training,jarak.training)[,1][paste(kterdekat)]
jarak.utk.pred<-jarak.training[paste(kterdekat)]
y.utk.pred<-y.training[urutan.data]
#rbind(1:60,y.training)
#y.pred.rata2<-mean(y.utk.pred)
selisih.jarak<-(n.training+1)-urutan.data
rata2sel<-mean(selisih.jarak)
#kalau tidak diboboti:
#w<-rep(1,k); y.pred<-((sum(y.utk.pred*w))/sum(w))+(b1*rata2sel)

#kalau semua diboboti dengan w:

 21

w<-(urutan.data/n.training); rata2sel<-mean(w*selisih.jarak);
y.pred<-((sum(y.utk.pred*w))/sum(w))+(b1*rata2sel)
pred<-c(pred,y.pred)
#pred.rata2<-c(pred.rata2,y.pred.rata2)
#n.test<-n.test-1
y[var.test]<-y.pred
var.test<-var.test+1
}
error<-y.val-pred
 22

Lampiran 3 Hasil Prediksi Harga Beras di Indonesia dengan Metode kNN Tunggal
dan Ensemble kNN Januari Desember 2012

Harga
Tahun
Bulan Beras k=3 k=4 k=6 k=9 k=10 k=12 k=15 k=24 Ensemble
2012 Januari 8198 8635 8546 8507 8411 8372 8408 8292 8293 8389
2012 Februari 8273 8714 8704 8640 8523 8473 8495 8370 8349 8476
2012 Maret 8239 8864 8851 8752 8623 8566 8578 8445 8403 8565
2012 April 8687 8623 8797 8636 8663 8611 8658 8518 8456 8587
2012 Mei 8669 8467 8710 8508 8544 8497 8536 8535 8508 8526
2012 Juni 8470 8696 8587 8577 8467 8479 8454 8426 8558 8506
2012 Juli 8619 8819 8741 8630 8483 8453 8555 8494 8605 8565
2012 Agustus 8626 8830 8741 8662 8572 8537 8573 8557 8650 8615
2012 September 8471 8852 8854 8783 8659 8616 8647 8619 8694 8679
2012 Oktober 8552 8442 8518 8769 8701 8697 8668 8682 8738 8662
2012 Nopember 8619 8500 8468 8681 8681 8690 8699 8746 8781 8689
2012 Desember 8705 8525 8467 8649 8734 8760 8775 8744 8824 8730
 23

RIWAYAT HIDUP

Penulis dilahirkan di Andaleh pada tanggal 15 Juli 1988 dari pasangan

Bapak Karnadi dan Ibu Pepi Yetni. Penulis merupakan putri kedua dari dua
bersaudara. Penulis menyelesaikan pendidikan Sekolah Menengah Atas di
SMAN 1 Kecamatan Lareh Sago Halaban Payakumbuh pada tahun 2006 Program
IPA dan pada tahun yang sama penulis melanjutkan pendidikan di Universitas
Islam Bandung (UNISBA) pada Program Studi Statistika Fakultas Matematika
dan Ilmu Pengetahuan Alam dan menyelesaikannya pada tahun 2010. Pada tahun
2011 penulis melanjutkan kuliah ke Sekolah Pascasarjana Institut Pertanian Bogor
(SPs IPB) pada Program Studi Statistika. Penulis juga menulis karya ilmiah yang
telah dipublikasikan dalam jurnal international yang berjudul Ensemble k-
Nearest Neighbor Method to Predict Rice Price in Indonesia. Diterbitkan pada
HIKARI Ltd, Applied Mathematical Sciences, Vol.8, 2014, no. 160, 7993 -8005.
www.m-hikari.com. http://dx.doi.org/10.12988/ams.2014.49721.